我们做了几百套视觉检测方案，发现一个规律：实验室里跑得好好的算法，到了产线现场就出各种问题。不是算法不行，而是实验室和现场的环境差距太大。今天从厂家的角度，聊聊视觉检测落地过程中最容易被低估的三个环节。
AI视觉检测设备实拍
实验室里的测试环境是理想化的：光照恒定、温度稳定、产品摆放整齐、背景干净。产线现场是什么情况？日光灯老化导致色温漂移，车间窗户透进来的自然光随时间变化，设备运转产生振动，传送带上的产品位置每次差几毫米，背景里还有其他设备和人员的干扰。我们有个客户，在实验室里算法检出率98%，到了现场只有72%。排查了三天，发现问题出在光照——实验室用的是专用LED面光源，现场用的是普通日光灯管，两种光源的色温差了800K，产品表面的反光特性完全不同，算法识别出的缺陷特征变了。后来我们在现场重新采集了样本，重新训练了模型，问题才解决。这个案例说明一个道理：视觉检测方案设计时，必须基于现场真实环境做数据采集和模型训练，实验室数据只能做参考。
这是客户和厂家之间最容易产生分歧的地方。算法判定缺陷是基于像素层面的特征差异，而人工质检员的判定标准带有主观性。同样一道划痕，有的质检员觉得可以放行，有的觉得必须判废。上了视觉检测之后，标准被算法固化下来，反而会引起混乱——原来人工判合格的产品被机器判为不良，车间主任会说"这机器不准"。其实不是机器不准，是以前的标准就不统一。我们的做法是：在方案设计阶段，拉着客户的工艺、质检、生产三方一起，把每一项缺陷的判定标准逐条明确，拍照存档，做成标准样册。然后把这些标准量化成算法的阈值参数，写成技术协议双方签字确认。这个步骤不能省，否则后面全是扯皮。
AI视觉检测设备组成部件
产线操作工对新系统的态度很有意思。起初大家觉得新鲜，围着看机器怎么拍照、怎么打光。没过几天新鲜感过去，问题来了——机器报警的时候，操作工不知道该怎么处理。是产品真有缺陷，还是误判？是继续生产，还是停机检查？系统提示"第3工位异常"，他们根本不知道第3工位对应的是哪种缺陷。我们不得不安排了两轮培训，第一轮讲基本原理（光源、相机、算法是干什么用的），第二轮讲常见报警的处理流程（哪种报警可以忽略、哪种需要停机、哪种需要通知技术人员）。即便如此，前两个月还是经常出现操作工误操作导致产线停机的情况。直到第三个月，大家才算真正适应了这套系统的脾气。
这三个环节之所以容易被低估，是因为它们不涉及核心技术——不是算法、不是相机、不是光源，而是"软"的方面：环境、标准、人员。但恰恰是这些"软"环节，决定了视觉检测系统能不能在产线上稳定运行。我们的经验是：一个视觉检测项目的成功，技术只占四成，环境适配、标准统一、人员培训这三项加起来占六成。
给正在规划视觉检测项目的工厂一个建议：预算不要只花在硬件上，预留一部分资金和时间给现场调试、标准制定和人员培训。另外，上线后的前三个月安排专人盯现场，发现问题及时跟厂家沟通调整，别等问题积累成堆再处理。
上海科迎法电气科技有限公司大楼外景实拍
我们上海科迎法在视觉检测方案的落地实施方面有丰富经验，从方案设计、现场调试到人员培训提供全流程支持。如果你正在规划视觉检测项目，可以联系我们沟通具体需求。
